論文の概要: NAADA: A Noise-Aware Attention Denoising Autoencoder for Dental Panoramic Radiographs

• arxiv url: http://arxiv.org/abs/2506.19387v1
• Date: Tue, 24 Jun 2025 07:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.53831
• Title: NAADA: A Noise-Aware Attention Denoising Autoencoder for Dental Panoramic Radiographs
• Title（参考訳）: NAADA: 歯科用パノラマX線撮影用ノイズアウェアアテンションデノイングオートエンコーダ
• Authors: Khuram Naveed, Bruna Neves de Freitas, Ruben Pauwels,
• Abstract要約: 畳み込み型オートエンコーダ(DAE)は画像復元のための強力なツールである。 CNNは、スムーズな領域などの低周波特性を、高周波の詳細よりも効率的に回復する傾向がある。 本研究では,ノイズを考慮した自己認識手法を提案する。
• 参考スコア（独自算出の注目度）: 1.2016264781280588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional denoising autoencoders (DAEs) are powerful tools for image restoration. However, they inherit a key limitation of convolutional neural networks (CNNs): they tend to recover low-frequency features, such as smooth regions, more effectively than high-frequency details. This leads to the loss of fine details, which is particularly problematic in dental radiographs where preserving subtle anatomical structures is crucial. While self-attention mechanisms can help mitigate this issue by emphasizing important features, conventional attention methods often prioritize features corresponding to cleaner regions and may overlook those obscured by noise. To address this limitation, we propose a noise-aware self-attention method, which allows the model to effectively focus on and recover key features even within noisy regions. Building on this approach, we introduce the noise-aware attention-enhanced denoising autoencoder (NAADA) network for enhancing noisy panoramic dental radiographs. Compared with the recent state of the art (and much heavier) methods like Uformer, MResDNN etc., our method improves the reconstruction of fine details, ensuring better image quality and diagnostic accuracy.
• Abstract（参考訳）: 畳み込み型オートエンコーダ(DAE)は画像復元のための強力なツールである。 しかし、彼らは畳み込みニューラルネットワーク(CNN)の重要な制限を継承し、スムーズな領域のような低周波の特徴を高周波の詳細よりも効率的に回復する傾向にある。 これは、微妙な解剖学的構造を保存することが不可欠である歯科用X線写真において特に問題となる細部が失われることにつながる。 自己注意機構は重要な特徴を強調することでこの問題を軽減するのに役立つが、従来の注意法では、よりクリーンな領域に対応する特徴を優先し、ノイズで隠された特徴を見落としてしまうことがある。 この制限に対処するため,ノイズを考慮した自己認識手法を提案する。 本研究は, ノイズ認識型難聴自動エンコーダ (NAADA) ネットワークを用いて, ノイズの多いパノラマ歯科用ラジオグラフィーを高機能化する手法を提案する。 Uformer, MResDNNなどの最近の最先端(およびより重い)手法と比較して, 本手法は細部を再現し, 画像品質と診断精度を向上する。

関連論文リスト

• Sparse Mixture-of-Experts for Non-Uniform Noise Reduction in MRI Images [4.1738581761446145]
  本稿では,MRI画像復調のためのスパース・ミックス・オブ・エキスパート・フレームワークを活用した新しいアプローチを提案する。 各専門家は、異なる画像領域に関連付けられた特定のノイズ特性をターゲットとするために微調整された、特殊化畳み込みニューラルネットワークである。 提案手法は, 合成および実世界のMRIデータセット上での最先端の復調技術よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-24T03:04:44Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• Contextual Checkerboard Denoise -- A Novel Neural Network-Based Approach for Classification-Aware OCT Image Denoising [1.8032335403003321]
  我々は、ノイズの多い画像のデータセットのみから雑音を学習できる新しいニューラルネットワークベースの手法、emphContextual Checkerboard Denoisingを導入する。 提案手法は画像品質を大幅に改善し,より鮮明で詳細なOCT画像を提供するとともに,診断精度を向上する。
  論文  参考訳（メタデータ） (2024-11-29T08:51:43Z)
• Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume [12.077993066353294]
  近距離スライスノイズ2ノイズ(NS-N2N)の自己監督型医用画像復号法を提案する。 NS-N2Nは、画像ボリューム自体の高品質な denoising を実現するために、1つの医療画像から得られるノイズの多い画像ボリュームのみを必要とする。
  論文  参考訳（メタデータ） (2024-11-16T16:24:28Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)
• Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
  本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。 画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。 我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-11T00:31:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。